月之暗面发布 Kimi K3.1 Pro，这是一个拥有 2.8 万亿总参数、104B 激活参数和 100 万 token 上下文窗口的混合专家模型，其 API 已上线并承诺于 11 月 4 日开源权重。独立评测显示其在 Artificial Analysis 智能指数上排名第四，并在代码与智能体任务中表现突出。
推荐理由：该文详细盘点了 Kimi K3.1 Pro 的架构、独立评测及开源权重发布预期，有助于读者评估其对现有前沿模型格局的实质影响。
Google Research 介绍了其将医疗人工智能研究转化为结核病筛查实际应用的成果，涵盖从胸部 X 光人工智能算法验证、通过合作伙伴获得医疗器械认证，到开源 MedGemma 和 MedSigLIP 基础模型以支持全球公共卫生体系的过程。
推荐理由：原文梳理了医疗人工智能从算法研究到临床落地及开源模型赋能的完整路径，读者可以据此了解如何通过开放基础模型推进全球公共卫生筛查。
推荐理由：原文公布了新开源模型的架构细节与多项基准跑分，读者可以据此评估其在长程编程和专业领域的实际性能表现。
OpenAI 宣布 Decisions API 正式全面可用，基于 GPT-6 Luna 构建，旨在帮助应用和智能体从文本、图像及结构化输入中进行快速、低成本的决策。该 API 支持概率、选择和评分三种答案类型，具备原生 GPT-Live 集成、提示词缓存及美国与欧盟区域推理驻留等特性。
推荐理由：官方推出了基于 GPT-6 Luna 的 Decisions API，为应用和智能体提供低成本、高速度的结构化决策能力，读者可以评估其在实时路由和分类场景中的落地价值。
Microsoft AI 正式发布 MAI-DxO 诊断系统与 SDBench 基准，相关研究成果已刊登于《Science》杂志。评估结果显示，MAI-DxO 在急诊场景和医学复杂病例中的诊断准确率均显著高于人类医师，同时大幅降低了医疗测试成本与开支。
推荐理由：微软发布了医学诊断系统 MAI-DxO 及相关基准，在多项医学场景测试中准确率超越医师且成本更低，为医疗人工智能的实际应用提供了关键参考。
NVIDIA 宣布面向开发者推出 Factory Operations Blueprint 工业智能体蓝图的早期访问，支持构建可协调工厂机器并执行质检与舰队管理的智能体。同时，NVIDIA 发布了 cuDSS 库的通用版本，并展示了 Siemens、Mercedes-Benz 等工业巨头利用 CUDA-X、Omniverse 及 Cosmos 模型加速工程仿真与工厂数字孪生的应用进展。
推荐理由：NVIDIA 发布了 Factory Operations Blueprint 工业智能体蓝图及多项仿真库更新，开发者可据此构建连接前沿模型的工厂管理与质检智能体。
NVIDIA 在 GTC Berlin 展示了包括 RTX Spark、DGX Spark 和 DGX Station 在内的全线本地 AI 硬件阵容，并宣布推出 DGX Station for Windows、模型支持以及针对推理引擎的优化。
推荐理由：NVIDIA 在 GTC Berlin 公布了面向本地 AI 硬件的完整产品矩阵、软件更新及模型支持，为开发者和企业部署端侧智能体提供了新方案。
NVIDIA 扩大了其开源模型系列，推出 Nemotron 3.5 Super VL 与 Bolt、Kumo 结构化数据模型、Cosmos 3.5 世界模型、Alpamayo 2 Edge 自动驾驶推理模型、BioNeMo RFD4-Proteina 蛋白质设计模型及 Ising 量子计算模型。
推荐理由：NVIDIA 一次性发布并开源了覆盖多模态、结构化数据、具身智能和科学计算的多个模型家族，为企业和开发者提供了可定制的主权 AI 基础架构。
量子位报道，此前在OpenRouter匿名屠榜的神秘模型Space Bunny揭晓，正是在正式交卷中代号为M3.1 Flash的MiniMax新模型。该模型在Agents’ Last Exam中得分29.6%斩获国模第一，在编码、网络安全和Computer Use等基准测试中也杀入全球第一梯队；同时其推理速度最快可达200+ TPS，输入价格为每百万Token 1元，综合成本较前代M3暴降70%。
推荐理由：文章详细报道了MiniMax M3.1 Flash的各项跑分战绩与API定价，读者可据此评估其在Agent和企业工作流中的性价比表现。
Mistral 发布了 Voxtral 3 语音模型系列与实时语音智能体 SDK，涵盖语音转文本、文本转语音及流式智能体管线。该系列支持 50 多种语言与方言，具备高精度转录、情感自适应语音合成及端到端工具调用能力。Voxtral 3 提供欧洲托管 API 以及支持私有化部署的自建方案，满足企业的数据主权需求。
推荐理由：Mistral 推出了覆盖语音识别、语音合成与实时智能体 SDK 的 Voxtral 3 系列，支持多语种和本地化部署，为开发者构建端到端语音应用提供了新的架构选择。
Inception Labs 推出 Mercury 3，这是目前能力最强的扩散大模型。该模型在多个基准测试中表现优于同类速度优化模型，运行速度达每秒 1,000 token 以上，支持 1M token 上下文，并已在 API 平台上线。
推荐理由：原文公布了新型扩散大模型的各项基准表现和定价，读者可以据此评估其在低延迟场景中的实际部署价值。
TwelveLabs 的视频语言模型 Pegasus 1.5 现已在 Amazon Bedrock 上线。该模型支持最长 2 小时的视频分析，提供时间戳元数据生成、多模态参考图像提示和免预索引的即时处理能力，可从 Amazon S3 URI 直接加载并返回结构化 JSON 结果。
推荐理由：TwelveLabs 的 Pegasus 1.5 视频语言模型上线 Amazon Bedrock，支持时长达两小时的视频长文本分析、时间戳元数据生成和多模态参考图像提示，为开发者处理长视频数据提供了官方托管方案。
DeepSeek 发布新模型 DeepSeek-V4.1-Flash-1017，在提升代码和 Agent 任务表现的同时缩短了运行时间并减少了输出消耗。网页端、APP 与 API 已同步更新，配套的 DeepSeek Harness 升级至 0.2.1 版本。此外，官方还推出了支持网页搜索与正文抓取的自研 Search 和 Fetch API 接口。
推荐理由：新模型在提升代码和Agent任务表现的同时压低了运行时间和输出成本，并且开放了自研搜索API。
谷歌正式面向全球发布 Gemini 4 Argon 旗舰模型，重点加强了多模态、编程、专业知识工作和长流程任务持续执行能力。该模型在多项评测中达到与行业同类旗舰相当的水平，其 API 价格限时提供五折优惠至 11 月 30 日结束。
推荐理由：谷歌发布新一代旗舰模型并给出多项基准测试与API定价，读者可以据此了解其性能水平和调用成本。
谷歌发布了将 AI 智能体锚定于生物现实的三项研究进展，旨在推动自主湿实验室的发展。其核心内容包括：推出 VERID 框架作为实验室工作单元的语义数字孪生以实现硬件安全与实时状态跟踪，通过适配体分子发现展示了闭环智能体科学发现流程，以及通过加速全新蛋白质结合体设计实现高效靶向结合。
推荐理由：原文介绍了谷歌在生物实验室自动化和智能体闭环发现方面的三项技术进展，为读者理解大模型如何与物理湿实验室结合提供了具体框架。
Reflection 实验室推出首款开源模型 Beam，这是一个拥有 501B 总参数、每 token 激活 23B 的 mixture-of-experts 架构大语言模型，支持 1M tokens 上下文窗口，专注于编码与智能体场景。
推荐理由：文章详细介绍了 Reflection 实验室首款 501B 开源 MoE 模型 Beam 的架构设计与部署方案，读者可以据此了解其在长文本和智能体任务上的技术实现。
Hugging Face 联合 IBM 发布了 Granite Switch 4.1 模型（包含 8B 和 30B 版本），通过复用基底模型的 KV cache 并在单个托管端点上集成了通用决策 aLoRA、安全卫士 aLoRA 以及语音转文本模型 Granite-Speech-5.0-Turbo-CTC。
推荐理由：原文介绍了多功能组合模型的架构及复用 KV cache 的实现方式，读者可以了解如何在单个端点上高效组合决策与语音能力。
Apple Machine Learning Research 推出了 Selection-based Structured Reasoning (SSR) 框架，将多模态智能体的自由格式推理重新定义为预设候选选择。
推荐理由：文章提出了一种将多模态智能体推理转化为候选选择的新框架，读者可以通过该方法评估其在降低推理延迟和提升搜索效率方面的潜力。
Meta 的 Muse Spark Open 模型已在 Together AI 上线，支持 1M-token 上下文窗口、长周期自主运行和多模态输入。该模型专为长运行周期的 Agent 编码工作流设计，API 定价为每百万输入 tokens 1.25 美元、输出 tokens 4.25 美元、缓存输入 tokens 0.15 美元。
推荐理由：原文给出了新模型的架构特性和 API 价格，读者可以据此评估其在长上下文编码和多模态任务中的成本与能力。
Meta 的编码优化开源推理模型 Muse Spark Open 现已在 Amazon SageMaker JumpStart 上线，支持 1M token 上下文及 MoE 架构。文章介绍了如何通过 SageMaker Studio 或 Python SDK 部署 BF16 与 NVFP4 两种量化变体，并提供了推理请求示例。
推荐理由：文章详细介绍了在亚马逊平台上部署该模型的完整步骤与配置要求，为技术团队评估资源成本和架构落地提供了实用参考。